comportement du climat futur en côte d`ivoire

International Journal of Innovation and Scientific Research
ISSN 2351-8014 Vol. 25 No. 1 Jun. 2016, pp. 220-234
© 2015 Innovative Space of Scientific Research Journals
http://www.ijisr.issr-journals.org/
COMPORTEMENT DU CLIMAT FUTUR EN CÔTE D’IVOIRE: CAS DE LA REGION DU GÔH CENTRE OUEST DE LA CÔTE D'IVOIRE
[ BEHAVIOUR OF FUTURE CLIMATE IN CÔTE D’IVOIRE: CASE OF THE REGION OF GOH CENTER-WEST OF THE CÔTE D’IVOIRE ]
1
2
1
1
2
3
René BALLIET , Bachir M. SALEY , Anowa E. L. EBA , Gabriel E. AKE , Vano Mathunaise SOROKOBY , Yao E. KOUAKOU ,
1
and Akon A. N’DRI
1
Unité de Formation et de Recherche des Sciences de la Terre et des Ressources Minières (UFR-STRM), Université Félix
Houphouët Boigny d’Abidjan, Côte d’Ivoire
2
Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), Université Félix Houphouët Boigny d’Abidjan,
Côte d’Ivoire
3
Laboratoire de Géosciences et Environnement (LGE), Université Nangui Abrogoua d’Abidjan, Côte d’ivoire
Copyright © 2016 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License,
which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
ABSTRACT: In the context of climate change, socio-economic development of a region depends on its ability to adapt to
adverse climate effects. However, a good and sustainable adaptation to these effects requires knowledge of the evolution of
future climate. This study aims, the projection of some climatic parameters (temperature and rainfall) of the GOH region
(center-west of the cöte d’ivoire) for the 2020, 2050 and 2080 by a model of statistical downscaling (SDSM 4.2.9). To do this,
this model includes observational data and data anthropogenic emissions scenarios A2 (pessimistic) and B2 (optimistic).
According to the scenarios, temperatures would experience an increase. While rainfalls would decrease in the region. These
temperature increases and decreases in rainfall observed could have consequences on the development of the region.
KEYWORDS: SDSM, Climate Change, adaptation, projection, Côte d’Ivoire, Goh.
RESUME: Dans le contexte de changement climatique, le développement socio-économique d’une région dépend de sa
capacité à s’adapter aux effets négatifs du climat. Cependant, une bonne adaptation et durable à ces effets nécessite la
connaissance de l’évolution du climat futur. Cette étude a pour objectif, la projection de certains paramètres climatiques
(précipitations et températures) de la région du Gôh (Centre Ouest de la Côte d'Ivoire) pour les horizons 2020, 2050 et 2080
par un modèle de désagrégation statistique (Downscalling Model) SDSM 4.2.9. Pour ce faire, ce modèle intègre des données
d’observation et des données des scénarii d’émissions anthropiques A2 (plutôt pessimiste) et B2 (plutôt optimiste). Selon ces
deux scénarii, les températures connaitraient une hausse et les précipitations une baisse dans de la région. Ces hausses de
température et baisses de pluies constatées pourraient avoir des conséquences sur le développement de la région.
MOTS-CLEFS: SDSM, Changement climatique, adaptation, projection, Côte d’Ivoire, Gôh.
Corresponding Author: René BALLIET
220
René BALLIET, Bachir M. SALEY, Anowa E. L. EBA, Gabriel E. AKE, Vano Mathunaise SOROKOBY, Yao E. KOUAKOU,
and Akon A. N’DRI
1
INTRODUCTION
Selon [1], en même temps que la planète se réchauffe, le régime des précipitations se modifie et des phénomènes
extrêmes tels que les sécheresses, les inondations, les incendies de forêts, la détérioration de la sécurité alimentaire, la
propagation des maladies climato sensibles et l'augmentation du risque de conflits à cause de la raréfaction des ressources
(terres, l'eau) deviennent plus fréquents.
La région du Gôh (Centre Ouest Côte d’Ivoire) a des systèmes de production économiques fondés sur l'exploitation des
ressources naturelles locales, qui restent fortement tributaires du climat et de ses variations. Ainsi, ces systèmes ne sont pas
épargnés des effets du changement climatique. Pour limiter ces effets, on peut soit réduire les émissions de gaz à effet de
serre (atténuation), ou soit s’adapter aux changements du climat (adaptation). Les travaux menés à l’échelle internationale,
notamment ceux de [2], demandent de notre part une adaptation, même si tout est mis en œuvre pour éviter les
dérèglements climatiques par la réduction des émissions de gaz à effet de serre.
La perspective du réchauffement climatique dans les décennies à venir, avec comme conséquence l'accroissement de la
variabilité des précipitations et du nombre d'évènements météorologiques extrêmes, la montée du niveau de la mer et le
déplacement des zones climatiques, présage de sérieux problèmes d'adaptation. Selon [3], il devient donc nécessaire de
redoubler d'efforts pour intégrer l'approche et les mécanismes d'adaptation au Changement Climatique dans la planification
tant au niveau régional, national que local.
2
2.1
MATÉRIELS ET METHODE
MILIEU D’ÉTUDE
La région du Gôh est située au centre-ouest de la côte d’Ivoire entre les latitudes 5,679° et 6,649° N et les longitudes
6,408° et 5,201° W. Elle appartient à la nouvelle boucle de cacao et est limitée par les régions de la Marahoué et du HautSassandra au Nord, de la Nawa à l’Ouest, du Lôh-Djiboua au Sud et de l'Agnéby-Tiassa, du Bélier et du district de
Yamoussoukro à l’Est. Cette région est constituée de deux départements : le département de Gagnoa (comme chef-lieu de
région, la sous-préfecture de Gagnoa) à l’ouest et le département d’Oumé à l’est (figure 1).
La région est soumise à deux types de climat: le climat équatorial de transition (climat Attiéen) sur presque toute la
région et le climat équatorial de transition atténué (climat Baouléen) à l’extrême Ouest. La végétation est constituée
essentiellement d’une forêt humide sempervirente.
ISSN : 2351-8014
Vol. 25 No. 1, Jun. 2016
221
COMPORTEMENT DU CLIMAT FUTUR EN CÔTE D’IVOIRE: CAS DE LA REGION DU GÔH - CENTRE OUEST DE LA CÔTE D'IVOIRE
Figure 1 : Situation géographique de la région du Goh
2.2
2.2.1
MATÉRIELS
DONNÉES
Dans cette étude, ce sont les données climatiques (pluviométrie et températures) de la station de Gagnoa qui ont été
utilisées. Ces données sont journalières et ont été fournies par la SODEXAM. La période d’observation des pluies est de 35
ans (1961-1995) et celle des températures est de 30 ans (1981-2010). Les températures sont constituées de températures
minimales, maximales et moyennes.
A ces données s’ajoutent les prédicteurs (données atmosphériques) de ré-analyse du National Centers for Environmental
Prediction (NCEP) pour le calibrage et la validation, et de Hadley Centre Coupled Model, version 3 (HadCM3) pour les
scénarii. Ces données sont téléchargeables sur le site : (http://www.cics.uvic.ca/scenarios/sdsm/select.cgi). Les variables
prédictives sont fournies sur une grille de sorte que les données ont été téléchargées à partir de la case de la grille la plus
proche de la zone d'étude (tableau I).
Tableau I: Coordonnées des stations et les grilles de prédicteurs respectifs
Stations
Gagnoa
ISSN : 2351-8014
Longitude
5,95° O
Latitude
6,13° N
Variables observées (prédictands)
Précipitations, Températures
Vol. 25 No. 1, Jun. 2016
Grille de prédicteurs
BOX_03X_33Y
222
René BALLIET, Bachir M. SALEY, Anowa E. L. EBA, Gabriel E. AKE, Vano Mathunaise SOROKOBY, Yao E. KOUAKOU,
and Akon A. N’DRI
2.2.2
MATÉRIELS
Le matériel de traitement des données est essentiellement du matériel informatique constitué d’un ordinateur équipé de
plusieurs logiciels spécifiques dont Statical DownScaling Model ((SDSM) version 4.2.9. C'est un modèle de réduction d’échelle
statistique, pour la projection des paramètres climatiques (Températures et précipitations).
2.3
2.3.1
MÉTHODE
JUSTIFICATION DU CHOIX DU MODELE CLIMATIQUE
Le modèle SDSM est un modèle basé sur des techniques statistiques de réduction d’échelle, développé par l’Agence
Environnementale d'Angleterre (AEA) [1].
L'intérêt majeur de la technique SDSM, est qu'elle permet de produire de façon rapide des séries quotidiennes des
paramètres météorologiques (température moyenne, température maximale, température minimale, précipitations) pour
l'ensemble de la période 2011-2099. Ceci facilite par la suite l'interprétation des tendances de la variabilité interannuelles de
ces paramètres. Toutefois, cela n’est possible que pour les zones ou les observations sont disponibles, homogènes et fiables.
2.3.2
PRINCIPE DU MODÈLE SDSM
La figure 2 représente les opérations nécessaires pour la production des scenarii de changements climatiques à haute
résolution. Ces opérations sont résumées principalement en cinq étapes :
Figure 2 : Les principales étapes de la projection
Etape 1 : contrôle des données
Cette première étape consiste à faire un dernier contrôle des données observées avant la calibration du modèle avec le
module « Quality Control ». Il est aussi parfois nécessaire de procéder à certaines transformations au niveau des prédictands
(observations) et/ou prédicteurs (données de grande échelle NCEP ou HadCM3).
Etape 2 : sélection des prédicteurs (les prédicteurs sont des variables atmosphériques utilisées les projections)
Le processus de décision statistique dans le choix d'un nombre optimal des prédicteurs reste une des étapes les plus
difficiles vu que l'importance de ces derniers varie dans le temps. Cette étape de sélection se fait avec le module « Sceen
Variables » et permet un choix statistique rigoureux des prédicteurs en se basant sur la corrélation partielle et le p-value
entre prédictands et prédicteurs (tableau II).
ISSN : 2351-8014
Vol. 25 No. 1, Jun. 2016
223
COMPORTEMENT DU CLIMAT FUTUR EN CÔTE D’IVOIRE: CAS DE LA REGION DU GÔH - CENTRE OUEST DE LA CÔTE D'IVOIRE
Tableau II: Variable de ré-analyse sélectionnées pour les précipitations et température
Variables
Précipitations (PRCP)
Stations
Gagnoa
Température maximale
(TMAX)
Gagnoa
Température minimale
(TMIN)
Gagnoa
Température moyenne
(TMIN)
Gagnoa
Prédicteurs
Ncepp5_zaf
Nceprhumaf
ncepshumaf
Ncepp_zaf
Ncepshumaf
Nceptempaf
Ncepp8zhaf
Ncepshumaf
Nceptempaf
Ncepp_zaf
Ncepshumaf
Nceptempaf
Corrélation partielle (Partial r)
0.035
-0,035
0,035
0,05
0,033
0,313
0,056
0,165
0,128
0,057
0,145
0,359
P valeur
0,0303
0,0349
0,0322
0,0000
0,0016
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
Etape 3 : calibration du modèle
Cette opération qui se fait par le module «Model calibrate» prend en considération le prédictand qui sont des les
données climatiques de stations (température moyenne, température maximale, température minimale et précipitations) et
la série de prédicteur (Ré-analyses NCEP).
On peut définir si la calibration se fait sur une base mensuelle, saisonnière ou annuelle, et si le processus est conditionnel
ou inconditionnel. Dans le cas d'un processus inconditionnel (par exemple, pour la température), un lien direct est présumé
entre les prédicteurs et le prédictand. Dans un processus conditionnel (par exemple, pour la précipitation), une procédure
intermédiaire est utilisée parce que la quantité de précipitation locale dépend de l'occurrence des jours humides, qui en
retour dépend des prédicteurs régionaux, comme l'humidité et la pression atmosphérique notamment.
Pour le calibrage du modèle, les premières moitiés (1961-1977) de la période d’observation (1961-1995) des pluies et
(1981-1995) de la période d’observation (1981-2010) des températures ont été utilisées
Etape 4 : Validation du logiciel
C‘est la génération des données sur le climat présent et l’analyse statistique qui se fait par le module « Weather
Generator ». Ce module permet la génération d’un ensemble de séries stochastiques quotidiennes de l’observation locale
(prédictand) sur le climat présent à l’aide des modèles calibrés et du générateur de temps intégré dans SDSM. La procédure
permet la vérification des modèles calibrés en se basant sur des séries de données indépendantes et certains critères
statistiques.
La qualité de l’ajustement du modèle SDSM a été aussi jugée par les valeurs du critère de Nash [4] à la suite de chaque
simulation. Ce critère est celui qui globalement permet d’obtenir les meilleurs calages et validation ([5] ; [6] in [7]). Le
modèle est considéré comme performant quand les données estimées se rapprochent des données observées, c’est-à-dire
lorsque la valeur du critère de Nash est proche de 100%. Cependant, un critère de moins de 60% ne donne pas une
concordance satisfaisante entre les hydrogrammes observés et simulés par le modèle ([8] in [9]).
La validation a nécessité les données des deuxièmes moitiés des périodes d’observation à s’avoir 1978-1995 pour les
pluies et 1995-2009 pour les températures. Comme critères d'évaluation de la performance statistique, pour la précipitation,
la précipitation moyenne mensuelle et le cumul des pluies sont utilisées. Quand aux températures, ce sont les moyennes
mensuelles qui sont utilisées pour la validation.
Etape 5: Génération des scénarii de changements climatiques
Après la calibration du modèle statistique de réduction d'échelle (SDSM), les scenarii de changement climatique A2 et B2
de grande échelle HadCM3 sont utilisés dans le module «Scenario Generator». Ces scenarii sont utilisés comme des entrées
pour produire un ensemble de séries quotidiennes (dans cette étude 20 séries par paramètre et par scénario) pour le climat
futur sur la période 2011-2099 à l'échelle de la station météorologique. Cette opération de génération des scénarii des
changements climatiques A2 et B2 se fait séparément pour chaque scenario et pour chaque paramètre météorologique
(température moyenne, température maximale, température minimale, précipitations).
ISSN : 2351-8014
Vol. 25 No. 1, Jun. 2016
224
René BALLIET, Bachir M. SALEY, Anowa E. L. EBA, Gabriel E. AKE, Vano Mathunaise SOROKOBY, Yao E. KOUAKOU,
and Akon A. N’DRI
La figure 3 montre les différentes étapes à suivre pour une projection du climat futur par le modèle SDSM dans la région
du Gôh.
1
2
3
4
5
Figure 3 : Processus d’évaluation des changements climatiques futurs au niveau de la région du GÔH
3
3.1
3.1.1
RESULTATS ET DISCUSION
RÉSULTATS
CALIBRAGE ET VALIDATION DU MODÈLE
La figure 4 montre la comparaison des températures minimales (TMin), températures moyennes (TMoy) et températures
maximales (TMax) à échelle réduite (simulée) et observée au cours de la période de validation. Les différents graphiques
montrent que les températures simulées sont pratiquement égales aux températures observées. Cela démontre que la
validation de ces paramètres de températures donne une performance satisfaisante du logiciel SDSM.
ISSN : 2351-8014
Vol. 25 No. 1, Jun. 2016
225
COMPORTEMENT DU CLIMAT FUTUR EN CÔTE D’IVOIRE: CAS DE LA REGION DU GÔH - CENTRE OUEST DE LA CÔTE D'IVOIRE
B
A
C
Figure 4: Comparaison entre les températures minimales (A), moyennes (B) et maximales (C) journalières observées et simulées
Pour la validation des précipitations (PRCP), ce sont la moyenne et le cumul des précipitations qui ont été utilisés. Les
figures 5 montrent les résultats de validation du modèle SDSM pour les pluies. Les résultats donnent une mauvaise
estimation de la moyenne et du cumul mensuelle des précipitations tant à la station d’Oumé qu’à la station de Gagnoa. De
l’analyse des graphiques, il ressort d’une manière générale que le modèle sous-estime les moyennes de précipitations pour
presque tous les mois. En ce qui concerne, le cumul des pluies, la figure 5B montre une sous-estimation des cumuls de
décembre à mars et de juin à septembre et une surestimation d’octobre à novembre et d’avril à mai.
A
B
Figure 5: Comparaison entre les précipitations moyennes journalières (A) et cumuls mensuels (B) observées et simulées (19781997) à la station de Gagnoa
La validation du Modèle par les graphiques est appuyée dans cette étude par le critère de Nash dont les résultats sont
reportés dans le tableau III. Le critère de Nash en validation de la température sur la période de 1978-1994 donne pour la
température minimale (Tmin) 82%, la température maximale (Tmax) 88% et la température moyenne (Tmoy) 99,45%. En
validation de la précipitation, il donne 62,45% à la station de Oumé et 64,84% à la station de Gagnoa. Ces résultats obtenus
sont supérieurs à 60%. En outre, ils montrent que la simulation des températures est très satisfaisante pour Tmin, et Tmax, et
ISSN : 2351-8014
Vol. 25 No. 1, Jun. 2016
226
René BALLIET, Bachir M. SALEY, Anowa E. L. EBA, Gabriel E. AKE, Vano Mathunaise SOROKOBY, Yao E. KOUAKOU,
and Akon A. N’DRI
excellente pour Tmoy. De même celle des pluies est satisfaisante, indiquant ainsi une difficulté de simuler les précipitations à
l’échelle locale à partir des variables atmosphériques à grande échelle.
Tableau III : Critère de Nash
Paramètres
Nash (%)
3.1.2
3.1.2.1
Tmin
82
Tmax
88
Tmoy
99,45
PRCP
64,84
EVOLUTION FUTURE DES TEMPERATURES ET DES PRECIPITATIONS ISSUS DE LA DESCENTE D’ECHELLE STATISTIQUE
TEMPÉRATURE MINIMALE (TMIN)
Les scénarii A2 (figure 6A) et B2 (figure 6B) indiquent que les Tmin auraient une évolution décroissante par rapport à la
période de référence (1981-2010), sauf les mois d’août à novembre où elles seraient en hausse.
La température projetée avec le scénario A2 (figure. 6A) indique que la Tmin serait en baisse de 0,019° C à l’horizon 2020,
de 0,215° C à l’horizon 2050 et de 0,214° C à l’horizon 2080. Annuellement, selon A2, les Tmin passeraient de 21,9° C entre
1981-2010 à 21,88° C à l’horizon 2020 ensuite à 21,87 à l’horizon 2050 et à 21,874° C à l’horizon 2080.
Selon le scénario B2 (figure 6B), les Tmin seraient également en baisse de 0,213° C, de 0,225° C et de 0,222°
respectivement aux horizons 2020, 2050 et 2080. Les moyennes annuelles des Tmin passeraient de 21,9° C pour les années
1981-2010 à 21,868° C ensuite à 21,87° C et à 21,88° C aux horizons 2020, 2050 et 2080.
Figure 6: Evolution des moyennes mensuelles des températures minimales journalières pendant les horizons 2020,2050 et 2080 selon les
scénarios A2 (A) et B2 (B)
3.1.2.2
TEMPÉRATURE MAXIMALE (TMAX)
ISSN : 2351-8014
Vol. 25 No. 1, Jun. 2016
227
COMPORTEMENT DU CLIMAT FUTUR EN CÔTE D’IVOIRE: CAS DE LA REGION DU GÔH - CENTRE OUEST DE LA CÔTE D'IVOIRE
La figure 7 présente les variations des moyenne des Tmax aux horizon 2020, 2050, et 2080, par rapport à la période de
référence (1981-2010), selon les scénarii A2 (fig. 7A) et B2 (fig. 7B).
Les deux scénarii indiquent des changements à l'égard de la période de référence dans les années 2020, 2050, et 2080.
Ainsi, tout comme le scénario A2, B2 prédit des Tmax en hausse d’octobre à mai, alors que de juin à septembre, ces
scénarios annoncent une baisse de Tmax.
Figure 7: Evolution des moyennes mensuelles des températures journalières pendant les horizons 2020, 2050 et 2080 selon les scénarios
A2 (A) et B2 (B)
Le tableau IV montre les écarts entre les températures maximales observés et celles projetées.
Tableau IV: Ecarts de températures maximales prévues par rapport à 1981-2010
1981-2010
Scénaro
Tmoy (°C)
Ecarts moyens (°C)
3.1.2.3
28.44
2011-2040
A2
B2
28.67
28.662
0,225
0.218
2041-2070
A2
B2
28.674
28.665
0,230
0,221
2071-2099
A2
B2
28.664
28.66
0,220
0.216
TEMPÉRATURE MOYENNE (TMOY)
La figure 8 montre l’évolution de la Tmoy pendant les horizons 2020, 2050 et 2080.
L’analyse de la figure 8 montre que les deux scénarii A2 (fig. 8A) et B2 (fig. 8B) prédisent une baisse de Tmoy de mai à
août. Cependant, de septembre à avril, des hausses des Tmoy seraient observées, avec des maxima de prêt de 1° C en
février. Annuellement, ces deux scénarii prédisent une hausse de Tmax à la station de Gagnoa.
ISSN : 2351-8014
Vol. 25 No. 1, Jun. 2016
228
René BALLIET, Bachir M. SALEY, Anowa E. L. EBA, Gabriel E. AKE, Vano Mathunaise SOROKOBY, Yao E. KOUAKOU,
and Akon A. N’DRI
Figure 8: Evolution des moyennes mensuelles des températures journalières pendant les horizons 2020, 2050 et 2080 selon les scénarios
A2 (A) et B2 (B)
Le tableau V montre les écarts entre les températures moyennes observées et celles projetées.
Tableau V: Ecarts de températures moyennes prévues par rapport à 1981-2010
Scénaro
Tmoy (°C)
Ecarts moyens (°C)
3.1.2.4
1981-2010
A2
24.871
2011-2040
A2
B2
24.972
24.975
0,101
0,103
2041-2070
A2
B2
24.973
24.97
0.102
0,099
2071-2099
A2
B2
24.973
24.975
0,1022
0.104
PRÉCIPITATION
A la station de Gagnoa, la variation future des pluies prévue par les scénarii A2 et B2 est mise en exergue par les figures 9,
10 et 11.
Les cumuls saisonniers des pluies sont représentés par la figure 9. Selon le scénario A2 (fig. 9A), les pluies connaîtraient
une baisse dans les grandes saisons sèche et de pluie ainsi que la petite saison sèche aux différents horizons 2020, 2050 et
2080. Pendant la petite saison de pluie, ce scénario projette des pluies en hausse par rapport à la période de référence
(1961-1990). Annuellement, A2 projette des pluies en baisse de 5,14% (2020), de 2,34% (2050) et de 3,3% (2080). Quant au
scénario B2 (fig. 9B), il prévoit des baisses de pluies pendant la grande saison de pluie et la petite saison sèche et des hausses
dans la grande saison sèche et petite saison de pluie pour les horizons 2020 et 2080. Pendant l’horizon 2050, B2 prévoit des
diminutions de pluie dans les grandes saisons sèche et de pluie de même que la petite saison sèche. Cependant, dans la
petite saison de pluie ce scénario annonce une hausse de la pluviométrie. Annuellement, les pluies seraient en baisse de
5,65% (2020), de 4,42% (2050) et de 7,25% (2080) selon B2.
ISSN : 2351-8014
Vol. 25 No. 1, Jun. 2016
229
COMPORTEMENT DU CLIMAT FUTUR EN CÔTE D’IVOIRE: CAS DE LA REGION DU GÔH - CENTRE OUEST DE LA CÔTE D'IVOIRE
Figure 9 : Evolution des cumuls mensuels de pluies pour les horizons 2020, 2050 et 2080 selon les scénarii A2 (A) et B2 (B) à la station de
Gagnoa
L’évolution saisonnière de l’indice LPS (longueurs moyennes de périodes sèches ou séquences sèches) est présentée par
la figure 10. Cet indice, selon A2 (fig. 10A) connaitrait des baisses pendant toutes les saisons climatiques au cours des années
à venir, sauf pendant la grande saison de pluie de l’horizon 2050 où il enregistrerait une hausse marginale de 0,31%. De
même, B2 projette des baisses du nombre de jours consécutivement secs pendant toutes les saisons sauf dans la grande
saison de pluie au cours des années 2050 et 2080 (fig. 10B). Annuellement, ces deux scénarii (A2 et B2) prévoient
respectivement des réductions du nombre de jours des séquences sèches de 8,74% et 9,85% (2020), de 10,10% et 11%
(2050) et de 9,3% et 10% (2080).
ISSN : 2351-8014
Vol. 25 No. 1, Jun. 2016
230
René BALLIET, Bachir M. SALEY, Anowa E. L. EBA, Gabriel E. AKE, Vano Mathunaise SOROKOBY, Yao E. KOUAKOU,
and Akon A. N’DRI
Figure 10 : Evolution des moyennes mensuelles des longueurs de périodes sèches pendant les horizons 2020, 2050 et 2080 selon les
scénarii A2 (A) et B2 (B) à la station de Gagnoa
La figure 11 présente l’évolution saisonnière de l’indice LPH (longueurs moyennes périodes humides ou séquences
humides). Cette figure montre que, le scénario A2 annonce des baisses du nombre de jours consécutivement humides dans la
plupart des saisons au cours des périodes futures (figure 11A). Néanmoins, la petite saison de pluie connaitrait une hausse de
jours humides au cours de l’horizon 2020. Il en est de même pour la grande saison de pluie au cours des horizons 2050 et
2080. Cet indice serait annuellement en baisse de 6,1% (2020), de 12,13% (2050) et de 6,6% (2080). En ce qui concerne B2, il
annonce des augmentations du nombre de jours humides pendant toutes les saisons à l’exception de la grande saison sèche
qui connaitrait une baisse au cours des trois périodes futures (figure 11B). Aussi, la petite saison de pluie enregistrerait une
baisse au cours des années 2080. Selon B2, l’indice LPH enregistrerait annuellement des baisses de 0,3% (2020), de 0,8%
(2080) et une hausse de 0,4% au cours des années 2050.
ISSN : 2351-8014
Vol. 25 No. 1, Jun. 2016
231
COMPORTEMENT DU CLIMAT FUTUR EN CÔTE D’IVOIRE: CAS DE LA REGION DU GÔH - CENTRE OUEST DE LA CÔTE D'IVOIRE
Figure 11: Evolution des moyennes mensuelles des longueurs de périodes humides pendant les horizons 2020, 2050 et 2080 selon les
scénarii A2 (A) et B2 (B) à la station de Gagnoa
3.2
3.2.1
DISCUSSION
EVALUATION DE LA PERFORMANCE DU MODELE SDSM
Le principe fondamental du modèle SDSM est la relation entre MCG prédicteur (HadCM3) et prédictand (données
Observées). Par conséquent, les sélections de variables MCG sont plus importantes dans l'étude du changement climatique,
et auront une incidence sur les résultats de l'évaluation du climat [10]. Dans SDSM, le choix est fait en utilisant des tests
quantitatifs (variance expliquée et de corrélation partielle). Cependant, la procédure contient un certain niveau de
subjectivité, que le jugement de l'utilisateur est nécessaire pour décider si un prédicteur est assez significative pour éviter le
rejet [11]. Dans cette étude, seulement quatre (3) variables du MCG ont été sélectionnées pour les températures, de même
que pour les précipitations. Les résultats des choix de prédicteurs des précipitations obtenus sont en accord avec les travaux
de [12], qui a utilisé trois (3) variables du MCG. D’autres études comme celles de [13], [14], [15], [16] ont utilisé plus de trois
variables et ont obtenu des résultats satisfaisants.
En termes de réduction d'échelle des Tmax, Tmin et Tmoy la performance est meilleure que la performance des
précipitations à échelle réduite. Selon [17], pour la validation du modèle, l’erreur de précipitations à moins d'importance,
parce que la réduction d'échelle des précipitations est plus problématique que la température. Selon ce même auteur, cette
réduction est un modèles conditionnelles, c'est-à-dire qu’il ya un processus intermédiaire entre les prédictands et les
prédicteurs (par exemple, les quantités de précipitations locales dépendent de la fréquence de jours humides, qui à leur tour
dépendent de prédicteurs à l'échelle régionale tels que l'humidité et la pression atmosphérique). Ainsi, on peut dire que les
résultats de précipitations pour la validation du modèle obtenus dans cette étude donnent une estimation raisonnable des
précipitations. Des études similaires telles que [18], [19], [20] ont constaté aussi que les températures quotidiennes
réduisent facilement l’échelle par rapport aux précipitations quotidiennes en raison de l'existence de variables continues.
ISSN : 2351-8014
Vol. 25 No. 1, Jun. 2016
232
René BALLIET, Bachir M. SALEY, Anowa E. L. EBA, Gabriel E. AKE, Vano Mathunaise SOROKOBY, Yao E. KOUAKOU,
and Akon A. N’DRI
3.2.2
ÉVOLUTION DE LA TEMPERATURE ET DE LA PLUIE AU COURS DU 21EME SIECLE
Concernant la simulation du climat futur, les données à échelle réduite de 2011 à 2099 ont été subdivisées en trois
horizons de la manière suivante : l’horizon 2020 (2011-2040), l’horizon 2050 (2041- 2070), et l’horizon 2080 (2071 à 2099).
Les données de ces différents horizons ont été comparés avec celles de la période de référence à s’avoir 1961-1990 pour les
pluies et 1981-2010 pour les températures. Ceux-ci ont permis d’observer des changements de température et de pluies
entre les différentes périodes. Ainsi, selon le modèle SDSM, les Tmin annuelles seraient en baisse en moyenne de 0,15° C
selon le scénario A2 et de 0,3° C selon le scénario B2 à l’horizon 2011-2099 par rapport à la période de références (19812010). Dans la même optique, [21] ont montré que la température minimale projetée par le modèle SDSM avec le scénario
A2 à la station de Sreemangal en Bangladesh connaitraient des baisses de 0,09° C ; 0,11° C et 0,48° C respectivement pour les
horizons 2030, 2050 et 2080.
Contrairement aux Tmin le modèle SDSM a simulé des Tmax et Tmoy qui seraient en hausse à l’horizon 2011-2099. Les
taux moyens respectifs sont de 0,225°C et 0,1°C selon A2 et 0,222°C et 0,14°C selon B2. Ces hausses de température sont en
conformité avec les travaux de [22] effectués dans le bassin du Bandama blanc au Nord de la Côte d’ivoire qui prévoient des
augmentations de température plus de 1.5° C que les nôtres. De même, les résultats des simulations effectuées au Niger à
partir du modèle SDSM s’accordent à prédire une augmentation moyenne des températures maximales de l’ordre de 2,3°C
selon le scénario B2 et de 2,6°C selon le scénario A2 à l’horizon 2020-2049 [23]. Les différences entre les températures
projetées dans la zone d’étude et celles projetées par les auteurs cités plus haut sont importantes. Selon [22], ces différences
pourraient être expliquées d’une part par la démarche méthodologique et les fortes tendances à la hausse dans les pays
sahéliens de l’Afrique de l’ouest et d’autre part par l’effet de continentalité. En effet, selon [24], l’Océan Atlantique et les
différents types de couverts végétaux sont des puits de carbone qui absorbent plus de 50% des émissions humaines
annuelles de CO2 et de méthane. Ils contribuent ainsi à la réduction des concentrations atmosphériques de ces deux gaz à
effet de serre dans le Golfe de Guinée. C’est ce qui explique un réchauffement plus fort dans les régions désertiques du Sahel
et de savane où il y a une forte présence de surfaces nues.
Quant aux précipitations, selon le modèle SDSM, les cumuls de pluies, l’indice LPH et l’indice LPS seraient en baisse à
l’horizon 2011-2099 par rapport à la période de référence (1961-1990. Néanmoins, selon les deux scénarii A2 et B2, les
cumuls de pluies seraient en hausse dans les petites saisons de pluie (septembre à octobre). De même B2, prévoit une
augmentation du nombre de jours consécutivement secs (LPS) pendant la grande saison pluvieuse (mars-juin). Les travaux de
[26] et [22] menés respectivement dans le bassin du Bandama blanc et dans le bassin de la Comoé en Côte d’Ivoire ont aussi
projeté des pluies qui seraient en baisse à l’horizon 2011-2099. Selon [27] ces baisses de pluies en Côte d’Ivoire seraient
causées par la déforestation en cours. En effet, la forêt dense de la Côte d’Ivoire a subit une importantes dégradation depuis
l’époque coloniale jusqu’à aujourd’hui. Elles est passées de 13 millions d’hectares à moins de deux millions d’hectares
actuellement. Cette dégradation, cette disparition de la forêt a entraîné des modifications, des perturbations au niveau des
cycles hydrologiques. La forêt est un des facteurs primordiaux qui créé la pluie.
4
CONCLUSION
Cette étude a montré la capacité du modèle SDSM à bien simulé les températures et les pluies. Ainsi, le modèle a projeté
des températures minimales et des pluies qui seraient en baisse par rapport à celles de la période de référence. Cependant,
pour les températures maximales et moyennes, le modèle a montré qu’elles seraient en hausse. Cette hausse de la
température moyenne et la baisse des pluies auront des conséquences considérables sur le développement socioéconomique de la zone d’étude.
REFERENCES
[1]
[2]
[3]
[4]
Kouraiss K. and Ait Brahim Y., Les changements climatiques à Marrakech (Maroc) Evolution récente et projections
futures ; Mémoire de Licence es Sciences et Techniques Eau et environnement ; Université Cadi Ayyad, 47p, 2010.
GIEC., Bilan 2007 des changements climatiques. Contribution des Groupes de travail I, II et III au quatrième Rapport
d’évaluation du Groupe d’Experts Intergouvernemental sur l’Evolution du Climat, Genève, Suisse, 103p, 2007.
Bretaudeau A. , Sarr B. and Traoré S., Évaluation du changement climatique en Afrique de l’Ouest in « Actions
d'adaptation au Changement climatique pour le développement rural, la biodiversité et la GIRE ». 1er Forum Africain sur
le Développement Durable, Bamako, 8p, 2011.
Nash, J. E. and Sutcliffe, J. V., River flow forecasting through conceptual models. Part I—A discussion of principles. J.
Hydrol. 1970, Vol. 27, 3, pp 282–290.
ISSN : 2351-8014
Vol. 25 No. 1, Jun. 2016
233
COMPORTEMENT DU CLIMAT FUTUR EN CÔTE D’IVOIRE: CAS DE LA REGION DU GÔH - CENTRE OUEST DE LA CÔTE D'IVOIRE
[5]
[6]
[7]
8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
[21]
[22]
[23]
[24]
[25]
[26]
[27]
Perrin C., Vers une amélioration du modèle global pluie-débit au travers une approche comparative. Thèse de Doctorat,
Institut National Polytechnique de Grenoble, France, 287 p, 2000.
Servat E., Paturel J. E., Kouamé B., Travaglio M., Ouédraogo M., Boyer J. F., Lubes-Niel H., Fritsch J. M., Masson J. M. et
Marieu B., Identification, caractérisation et conséquence d’une variabilité hydrologique en Afrique de l’Ouest et
Centrale. IAHS, n°252, pp. 323-337, 1998.
Mouélhi C., Vers une chaîne cohérente de modèle pluie-débit conceptuels globaux aux pas de temps pluriannuel,
annuel, mensuel et journalier. Thèse de Doctorat, Ecole Nationale du Génie Rural des Eaux et Forets de Paris, France,
274 p, 2003.
Berthier C. H., Quantification des incertitudes des débits calculés par un modèle pluie-débit empirique. Mémoire de DEA
CEMAGREF, 50 p, 2005.
Adja M. G., Etude de l’état hydrique saisonnier du bassin versant de la Bagoé dans un contexte de variabilité climatique.
Département de Boundiali et Tengrela (milieux soudano-sahéliens au Nord-Ouest de la cote d’ivoire). Thèse de
Doctorat, Université de Cocody, 184 p, 2009.
Hassan Z. and Harun S., Application of statistical downscaling model for long lead rainfall prediction in Kurau River
catchment of Malaysia. Malays J Civil Eng. 2012, Vol. 24, 1, pp 1–12.
Gagnon S., Bhawan S., Rousselle J. and Roy L., An Application of the Statistical DownScaling Model (SDSM) to Simulate
Climatic Data for Streamfl ow Modelling in Québec; Canadian Water Resources Journal. 2005, Vol. 30, 4, pp 297–314.
Karamouz M., Fallahi M., Nazif S. and Rahimi Farahani M., Long lead rainfall prediction using Statistical Downscaling and
Artificial Neural Network modeling. Scientia Iranica. 2009; Vol. 16, 2, pp 165-172.
Wilby L. and Wigley T., Precipitation predictors for downscaling: observed and general circulation model relationships.
International Journal of Climatology. 20, pp. 641-661, 2000.
Hashmi Z., Shamseldin Y., et Melville W., Statistical downscaling of precipitation: State of the art and application of
Bayesian Multi-model approach for uncertainty assessment. Hydrology and Earth System Sciences. 2009, Vol. 6, pp.
6535–6579.
Parishkura D., Evaluation de méthodes de mise à l'échelle statistique: reconstruction des extrêmes et de la variabilité du
régime de mousson au sahel. Mémoire de Maîtrise, Université du Québec à Montréal. 119 p, 2009.
Zulkarnain H., et Sobri H., Application of statistical downscaling model for long lead rainfall prediction in kurau river
catchment of Malaysia. Malaysian Journal of Civil Engineering. 2012, Vol. 24, 1, pp. 1-12.
Nishat S., Aasim M. and Nishat F., Climate Change Scenarios for Tawi catchmentobtained using StatisticalDownscaling
method, ijerd. 2014, Volume 9, 8, pp. 13-18.
Wilby R. L., Dawson C. W., and Barrow E. M., SDSM -a decision support tool for the assessment of regional climate
change impacts, Envirorzmental Modelling & Software. 2002a, Vol. 17, pp147-159.
Dibike Y. B. and Coulibaly P., Hydrologic Impact of Climate Change in the Saguenay Watershed: Comparison of
Downscaling Methods and Hydrologic Models, Journal of Hydrology. 2005, Vol. 307, 1-4, pp 145-163.
Fealy R. and Sweeney J., Identification of frequency changes in synoptic circulation types and consequences for glacier
mass balance in Norway. Norsk Geografisk Tidsskrift - Norwegian Journal of Geography. 2007, Vol. 61, 2, pp 76-91.
Rahaman A. Z., Khan A. M., Aktar M. N., Al Hossain B. M., Akand M. K. and Noor F., Climate change scenarios of
th
bangladesh using statistical downscaling model (sdsm). 5 International Conference on Water & Flood Management
(ICWFM-2015, 8p, 2015.
[Online] Available: https://www.academia.edu/11645805/ (March 20, 2016)
Kouakou Y. E., «Adaptation au changement climatique et gestion des ressources en eau souterraine : conception d’un
SIRS pour le bassin versant du Bandama Blanc à Korhogo (Nord Côte d'Ivoire)». Thèse unique de doctorat, l’Université
Nangui Abrogoua (Côte d’Ivoire), 182p, 2016.
CNEDD, Conseil National de l’Environnement pour un Développement Durable. Seconde communication nationale sur
les changements climatiques au Niger, 152 p, 2009.
Philipon P., Climat, dossier de vérité. Sciences et vie. Mondadori France, 159 p, 2007.
Cherkaoui A., Désagrégation statistique des données via l’outil SDSM pour la projection des changements climatiques
futurs dans la haute MOULOUYA. Diplôme d’Ingénieur d’Etat, Génie des Procédés et d’Environnement, 79 p, 2012.
Kouakou E., Impacts de la variabilité climatique et du changement climatique sur les ressources en eau en Afrique de
l’Ouest : Cas du bassin versant de la Comoé. Thèse Unique de Doctorat, Université d’Abobo Adjamé, 186 p, 2011.
CTA, Cote d’Ivoire: La baisse de la pluviométrie affecte la production d’électricité. Programme de radio rurale 03/04.
CTA, Wageningen, The Netherlands, 2003. [Online] Available: https://cgspace.cgiar.org/browse?type=author (April 19,
2016).
ISSN : 2351-8014
Vol. 25 No. 1, Jun. 2016
234